排序方式: 共有2条查询结果,搜索用时 62 毫秒
1
1.
2.
为帮助农林业解决自然条件下蝗虫目标小、识别精度低、虫情数据掌握不及时的问题,减少农林业生产损失,现以深度学习为基础,提出一种改进的YOLOv4-tiny蝗虫目标识别模型。首先针对蝗虫目标小的特点,为提升模型在复杂背景下的细节特征提取能力和小目标识别能力,分别在加强特征提取网络的输入位置和第一次卷积结果输出位置添加混合注意力机制CBAM(convolutional block attention module);然后针对以往虫情识别无实时数据传输的问题,通过对模型的YOLO Head预测模块修改,嵌入云数据平台,实现模型对蝗虫虫情即时云端数据存储与解析功能;最后将改进后的模型移植到Jetson Xavier NX嵌入式设备,使用TensorRT加速神经网络的推理,设计了一套便携式蝗虫识别系统。试验结果表明,在自制数据集下,改进后的模型平均精度达到94.69%,在嵌入式设备上的实时检测速度达到28FPS,模型大小仅为23.6 MB。该系统的研发可为农林业蝗虫虫情识别提供新思路。 相似文献
1